（来源：上观新闻）
如果A🇰🇵🧠I每次都"忘记🙋🇪🇪"之前做了什🖥么、发📙现了什么🥾🥂，它就会一直🇯🇪在原地打👨🦱🇦🇩转，反复踩同🤸♂️样的坑🇲🇼◀。这也从实验🏒数据层面为🍀TRACE的核🇬🇪🐜心逻辑提供了支🍳撑：少数几种🐕🥏能力的缺失🇧🇯👨👧👧，足以解释绝大🇵🇪🚫多数失败案😷⚽例❤scm动漫。
为了获取“🖖🐜牛奶数据”，自🇨🇿🕑变量团队进入了超🕥💵过100个志愿者🦄的真实家庭，🆙进行模型训♑🕉练💄👯。标准PPO⌛的方式是：⏺出题，🚵你作答📢，老师给🚜整道题的每🇧🇸📒一行打🙇♀️分，但他🔢因为"尾部效应"🐊而打分失准🇸🇩🔴。
而WALL-B⛳✉的行为🌮模式完全不同：🤸♂️🈸它会调整策略再次🥫尝试，如果成🇬🇬功，就将这次成👣🦜功的经验直接更新🚲🗼到模型参数中🤫。实验数据显👸🛍示，SPP🇭🇺🎇O大约在22小🐦时内就能达到约☠58分的峰值水🔺平，而GRPO等😨方法需要明👨🚒显更长的时间🧦🥩才能达到🈺可比水平，整🔻📮体速度差距约为5🏇🇹🇰.9倍🌬🌱。
